論文の概要: MFogHub: Bridging Multi-Regional and Multi-Satellite Data for Global Marine Fog Detection and Forecasting

• arxiv url: http://arxiv.org/abs/2505.10281v1
• Date: Thu, 15 May 2025 13:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.332044
• Title: MFogHub: Bridging Multi-Regional and Multi-Satellite Data for Global Marine Fog Detection and Forecasting
• Title（参考訳）: MFogHub:グローバルな海洋生物検出・予測のための多領域・多衛星データのブリッジング
• Authors: Mengqiu Xu, Kaixin Chen, Heng Guo, Yixiang Huang, Ming Wu, Zhenwei Shi, Chuang Zhang, Jun Guo,
• Abstract要約: 海洋霧の検出と予測のための深層学習アプローチは、伝統的な手法よりも優れている。 MFogHubは、沿岸の霧の多い15の地域と6つの静止衛星から海洋の霧を観測した最初のマルチリージョンとマルチ衛星のデータセットである。
• 参考スコア（独自算出の注目度）: 22.323453180809512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning approaches for marine fog detection and forecasting have outperformed traditional methods, demonstrating significant scientific and practical importance. However, the limited availability of open-source datasets remains a major challenge. Existing datasets, often focused on a single region or satellite, restrict the ability to evaluate model performance across diverse conditions and hinder the exploration of intrinsic marine fog characteristics. To address these limitations, we introduce \textbf{MFogHub}, the first multi-regional and multi-satellite dataset to integrate annotated marine fog observations from 15 coastal fog-prone regions and six geostationary satellites, comprising over 68,000 high-resolution samples. By encompassing diverse regions and satellite perspectives, MFogHub facilitates rigorous evaluation of both detection and forecasting methods under varying conditions. Extensive experiments with 16 baseline models demonstrate that MFogHub can reveal generalization fluctuations due to regional and satellite discrepancy, while also serving as a valuable resource for the development of targeted and scalable fog prediction techniques. Through MFogHub, we aim to advance both the practical monitoring and scientific understanding of marine fog dynamics on a global scale. The dataset and code are at \href{https://github.com/kaka0910/MFogHub}{https://github.com/kaka0910/MFogHub}.
• Abstract（参考訳）: 海洋霧の検出と予測のための深層学習アプローチは従来の手法よりも優れており、科学的および実践的な重要性が顕著である。 しかし、オープンソースデータセットの可用性が制限されていることは、依然として大きな課題である。 既存のデータセットは、しばしば単一領域や衛星に焦点を合わせ、様々な条件でモデルの性能を評価する能力を制限し、本質的な海洋霧の特徴の探索を妨げる。 これらの制約に対処するため, 沿岸域の霧源地域15箇所と静止衛星6箇所から, 68,000点以上の高分解能試料からなる注釈海洋霧観測を統合した, 初のマルチリージョン・マルチ衛星データセットである \textbf{MFogHub} を導入する。 MFogHubは、多様な地域と衛星の視点を包含することにより、様々な条件下での検知と予測の両方の厳密な評価を容易にする。 16のベースラインモデルによる大規模な実験により、MFogHubは、地域と衛星の相違による一般化の変動を明らかにし、また、ターゲットでスケーラブルな霧予測技術を開発するための貴重な資源となる。 MFogHubを通じて,世界規模での海洋霧の動態のモニタリングと科学的理解の両立を目指す。 データセットとコードは \href{https://github.com/kaka0910/MFogHub}{https://github.com/kaka0910/MFogHub} にある。

関連論文リスト

• MID: A Comprehensive Shore-Based Dataset for Multi-Scale Dense Ship Occlusion and Interaction Scenarios [10.748210940033484]
  海上航行行動データセット(MID)は、複雑な海上環境における船舶検出の課題に対処するために設計されている。 MIDには5,673の画像と135,884の微調整されたターゲットインスタンスが含まれており、教師付き学習と半教師付き学習の両方をサポートしている。 MIDの画像は、43の水域を横断する現実世界のナビゲーションの高精細なビデオクリップから得られたもので、天候や照明条件も様々である。
  論文  参考訳（メタデータ） (2024-12-08T09:34:23Z)
• Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [34.00878406145686]
  まず,MODIS Aqua 夜間 L3 画像から雲に覆われた領域を埋める機械学習モデルについて述べる。 この課題に対処するために,衛星画像の雲に覆われた部分を再構成するために,畳み込みニューラルネットワークモデル(U-net)を用いた。 我々の最も優れたアーキテクチャは、確立されたギャップ充足法よりも50%低いルート平均二乗誤差を示す。
  論文  参考訳（メタデータ） (2024-12-04T15:49:49Z)
• Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
  我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。 我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。 また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T17:22:55Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere [34.63172821289592]
  これまでに最も包括的な海洋霧検出・予測データセットであるM4Fogを提示する。 データセットは、元素、緯度、経度、時間という4つの次元に沿って68,000個の「スーパーフォッグデータ立方体」で構成され、時間分解能は30時間、空間分解能は1kmである。 実用的応用を考えると,マルチメトリック評価システムを用いた3つの意味トラックを定義し,検討した。
  論文  参考訳（メタデータ） (2024-06-19T08:11:07Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。